一种基于知识图谱的学习内容推荐方法技术

本发明专利技术公开了一种基于知识图谱的学习内容推荐方法，涉及知识图谱技术领域。本发明专利技术包括如下步骤：获取学习设备上原始数据集；将本体库与原始数据集相互融合获取基础知识图谱；通过深度学习的Node2Vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间；计算知识图谱之间的相似性；对基础推荐模型产生的特征比例权重集合，通过Node2Vec构建反馈特征模型；反馈模型与基础推荐模型构成混合模型；在混合模型上进行排序学习，产生Top‑N推荐列表。本发明专利技术构建基础知识图谱，通过排序学习构建反馈特征模型，融合用户兴趣迁移模型，再与基础特征模型构建混合模型，对混合模型进行排序学习产生Top‑N推荐列表，使知识图谱中不同特征融合更加快捷，提升了个性化推荐效果。

A learning content recommendation method based on Knowledge Map

The invention discloses a learning content recommendation method based on knowledge map, which relates to the technical field of knowledge map. The invention comprises the following steps: acquiring the original data set on the learning device; acquiring the basic knowledge map by integrating the ontology database and the original data set; embedding the entities in the basic knowledge map into the n-dimensional space through the node2vec network representation algorithm of deep learning; calculating the similarity between the knowledge maps; and the feature proportion weight set generated by the basic recommendation model through node 2 VEC constructs the feedback feature model; the feedback model and the basic recommendation model form the hybrid model; the ranking learning is carried out on the hybrid model to generate the top \u2011 n recommendation list. The invention constructs a basic knowledge map, constructs a feedback feature model through sorting learning, integrates the user interest transfer model, and then constructs a hybrid model with the basic feature model, and generates a top \u2011 n recommendation list through sorting learning the hybrid model, which makes the fusion of different features in the knowledge map faster and improves the personalized recommendation effect.

【技术实现步骤摘要】
一种基于知识图谱的学习内容推荐方法
本专利技术属于知识图谱
，特别是涉及一种基于知识图谱的学习内容推荐方法。
技术介绍
知识图谱也被称为科学知识图谱，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。目前，随着大数据时代的到来，网络上不断涌现的信息呈指数级增长，个性化推荐系统的研究和应用均取得了很大的进展，但是它依然面临着很多的挑战，比如数据稀疏性问题、冷启动问题、时效性问题、多样性推荐问题等。传统的推荐算法主要分为三类：协同过滤推荐算法、基于内容的推荐算法和混合推荐算法。这类推荐算法在一些应用场景下能取得良好的效果，但他们各自有一些缺陷，如协同过滤主要受冷启动影响，并且难以针对具有特殊喜好的用户进行个性化推荐；基于内容的推荐受物品内容信息提取技术的制约，而且推荐效果比较差；混合推荐难以整合多种推荐算法间的权重。针对上述问题，本专利技术提供了一种基于知识图谱的学习内容推荐方法，能够有效解决知识图谱中不同特征的统合问题，提高了推荐效果。
技术实现思路
本专利技术的目的在于提供一种基于知识图谱的学习内容推荐方法，通过排序学习构建反馈特征模型，融合用户兴趣迁移模型，再与基础特征模型构建混合模型，对混合模型进行排序学习产生Top-N推荐列表，解决了现有的知识图谱中不同特征融合困难、个性化推荐效果不佳的问题。为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术为一种基于知识图谱的学习内容推荐方法，包括如下步骤：步骤S1：获取大量用户在学习设备上的用户信息以及对应的学习数据和浏览记录作为原始数据集；步骤S2：将本体库与原始数据集相互融合获取基础知识图谱；步骤S3：通过深度学习的Node2Vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间；步骤S4：计算知识图谱之间的相似性，构建训练模型作为排序学习模型的输入；步骤S5：对基础推荐模型产生的特征比例权重集合，融合用户兴趣迁移模型生成混合知识图谱，并通过Node2Vec构建反馈特征模型；步骤S6：反馈模型与基础推荐模型构成混合模型；步骤S7：在混合模型上进行排序学习，产生Top-N推荐列表。优选地，所述步骤S1中，从学习设备上获取的数据进行预处理才能得到需要的原始数据集，具体的预处理具体步骤如下：步骤S11：将学习设备上获取的数据进行清洗；步骤S12：将清洗后的数据进行语义解析；步骤S13：根据语义解析结果，对用户信息、学习数据和浏览记录数据标注标签；步骤S14：根据标签以及数据之间关系，构建基础知识图谱。优选地，所述步骤S3中，基础知识图谱采用(实体，属性，属性值)三元组的形式描述，通过Node2Vec网络表示算法将实体嵌入到n维空间中，并生成对应的向量，得到实体向量集和属性向量集，并运用TransE算法对实体向量集和属性向量集进行翻译，从而获得一个能够快速计算实体件的语音相似性的三元组向量集。优选地，所述步骤S4中，使用Node2Vec进行知识图谱网络特征学习，将实体映射到n维空间，在低维向量空间中，几何上越接近的实体相关性越大，利用向量的余弦相识度来计算实体ei和ej之间的相关性Sim(ei,ej)；其中，Sim(ei,ej)的计算公式为：优选地，所述步骤S5中，构建的训练作为排序模型训练输入，通过决策函数产生Top-N推荐列表，并得到n维特征对排序结果的权重比例集合，用以构建反馈模型。优选地，所述步骤S6中，基础知识图谱衡量用户的长期偏好，通过反馈模型和用户兴趣偏移模型构建混合知识图谱模型。本专利技术具有以下有益效果：本专利技术构建基础知识图谱，通过排序学习构建反馈特征模型，融合用户兴趣迁移模型，再与基础特征模型构建混合模型，对混合模型进行排序学习产生Top-N推荐列表，使知识图谱中不同特征融合更加快捷，提升了个性化推荐效果。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的一种基于知识图谱的学习内容推荐方法步骤图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1所示，本专利技术为一种基于知识图谱的学习内容推荐方法，包括如下步骤：步骤S1：获取大量用户在学习设备上的用户信息以及对应的学习数据和浏览记录作为原始数据集；步骤S2：将本体库与原始数据集相互融合获取基础知识图谱；步骤S3：通过深度学习的Node2Vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间；步骤S4：计算知识图谱之间的相似性，构建训练模型作为排序学习模型的输入；步骤S5：对基础推荐模型产生的特征比例权重集合，融合用户兴趣迁移模型生成混合知识图谱，并通过Node2Vec构建反馈特征模型；步骤S6：反馈模型与基础推荐模型构成混合模型；步骤S7：在混合模型上进行排序学习，产生Top-N推荐列表。优选地，所述步骤S1中，从学习设备上获取的数据进行预处理才能得到需要的原始数据集，具体的预处理具体步骤如下：步骤S11：将学习设备上获取的数据进行清洗；步骤S12：将清洗后的数据进行语义解析；步骤S13：根据语义解析结果，对用户信息、学习数据和浏览记录数据标注标签；步骤S14：根据标签以及数据之间关系，构建基础知识图谱。优选地，所述步骤S3中，基础知识图谱采用(实体，属性，属性值)三元组的形式描述，通过Node2Vec网络表示算法将实体嵌入到n维空间中，并生成对应的向量，得到实体向量集和属性向量集，并运用TransE算法对实体向量集和属性向量集进行翻译，从而获得一个能够快速计算实体件的语音相似性的三元组向量集。优选地，所述步骤S4中，使用Node2Vec进行知识图谱网络特征学习，将实体映射到n维空间，在低维向量空间中，几何上越接近的实体相关性越大，利用向量的余弦相识度来计算实体ei和ej之间的相关性Sim(ei,ej)；其中，Sim(ei,ej)的计算公式为：优选地，所述步骤S5中，构建的训练作为排序模型训练输入，通过决策函数产生Top-N推荐列表，并得到n维特征对排序结果的权重比例集合，用以构建反馈模型，通过对训练本文档来自技高网...

【技术保护点】
1.一种基于知识图谱的学习内容推荐方法，其特征在于，包括如下步骤：/n步骤S1：获取大量用户在学习设备上的用户信息以及对应的学习数据和浏览记录作为原始数据集；/n步骤S2：将本体库与原始数据集相互融合获取基础知识图谱；/n步骤S3：通过深度学习的Node2Vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间；/n步骤S4：计算知识图谱之间的相似性，构建训练模型作为排序学习模型的输入；/n步骤S5：对基础推荐模型产生的特征比例权重集合，融合用户兴趣迁移模型生成混合知识图谱，并通过Node2Vec构建反馈特征模型；/n步骤S6：反馈模型与基础推荐模型构成混合模型；/n步骤S7：在混合模型上进行排序学习，产生Top-N推荐列表。/n

【技术特征摘要】
1.一种基于知识图谱的学习内容推荐方法，其特征在于，包括如下步骤：
步骤S1：获取大量用户在学习设备上的用户信息以及对应的学习数据和浏览记录作为原始数据集；
步骤S2：将本体库与原始数据集相互融合获取基础知识图谱；
步骤S3：通过深度学习的Node2Vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间；
步骤S4：计算知识图谱之间的相似性，构建训练模型作为排序学习模型的输入；
步骤S5：对基础推荐模型产生的特征比例权重集合，融合用户兴趣迁移模型生成混合知识图谱，并通过Node2Vec构建反馈特征模型；
步骤S6：反馈模型与基础推荐模型构成混合模型；
步骤S7：在混合模型上进行排序学习，产生Top-N推荐列表。


2.根据权利要求1所述的一种基于知识图谱的学习内容推荐方法，其特征在于，所述步骤S1中，从学习设备上获取的数据进行预处理才能得到需要的原始数据集，具体的预处理具体步骤如下：
步骤S11：将学习设备上获取的数据进行清洗；
步骤S12：将清洗后的数据进行语义解析；
步骤S13：根据语义解析结果，对用户信息、学习数据和浏览记录数据标注标签；
步骤S14：根据标签以及数据之间关系，构建基础知识图谱。


3.根据权利要求1所...

【专利技术属性】
技术研发人员：陈力，方进锋，陈国礼，陈洁松，孔小飞，孙立军，徐海燕，
申请(专利权)人：合肥天源迪科信息技术有限公司，
类型：发明
国别省市：安徽;34